De acuerdo con el proyecto GLOBOCAN de la Organización Mundial de la Salud (OMS), a escala global los linfomas (en su forma no-Hodgkin) son el séptimo cáncer de mayor incidencia en hombres y el décimo en mujeres. Específicamente en México, su tasa de mortalidad se estima que está entre 2.1 y 1.6 casos por cada 100 mil habitantes.

En países de bajos y medianos ingresos, detectar linfomas y otros tipos de cánceres agresivos supone un reto importante, ya que existen pocos sistemas que permitan establecer un correcto cuadro patológico, los costos de salud son altos (y por tanto, inaccesibles a una parte importante de la población) y los pocos centros especializados que existen suelen verse rebasados por todos los casos que reciben, por lo que son incapaces de prestar una atención adecuada a todos los pacientes.

Para resolver estos retos, un grupo de investigadores del Instituto Tecnológico de Massachusetts (MIT) y otras instituciones de salud en la ciudad estadounidense de Boston han desarrollado un dispositivo capaz de, a un bajo costo, detectar la presencia de linfomas agresivos a través de un sistema que emplea tecnologías de machine learning.

El proyecto, publicado en la revista Nature, permite realizar un diagnóstico automatizado a nivel celular de la presencia de linfomas en el paciente. De acuerdo con los especialistas, este dispositivo experimental utiliza un sistema de microholografía mejorada por contraste para analizar  aspirados percutáneos de aguja fina.

Los análisis son realizados por un algoritmo de deep learning, una rama de la programación especializada en programas capaces de aprender procesos y mejorar los resultados de sus operaciones mediante complejas redes de razonamiento. Con estos diagnósticos, los expertos buscan identificar con precisión y rapidez a los pacientes con adenopatías benignas o malignas.

En un estudio preeliminar, donde se analizaron los casos de 40 pacientes de quienes se sospechaba la incidencia de linfomas, se obtuvieron resultados de alta fidelidad con respecto al tratamiento necesario para cada caso. Gracias a una serie de filtros y condiciones, el sistema de Machine Learning puede incluso agrupar las muestras en cuatro grupos: sin cáncer, con síntomas benignos, con tumor maligno de bajo riesgo y con tumor maligno de alto riesgo.

Si este dispositivo consigue refinar su sistema de detección, podría utilizarse en países donde las condiciones socioeconómicas no son ideales para los diagnósticos tradicionales.